IA no Atendimento

Por que a gente escreve sobre IA no Atendimento — e o que você vai achar aqui que não acha em blog de fornecedor

IA no atendimento é o lugar onde a promessa de venda encontra a realidade de produção, e a realidade de produção quase sempre cobra mais caro do que o slide disse. Tem slide de fornecedor prometendo “bot que resolve 80% dos casos”. Tem POC rodando 300 conversas sintéticas com 97% de acerto. Tem deploy na segunda-feira. E tem o cliente real na quarta-feira perguntando sobre a apólice dele que o bot inventou, o copiloto que sumiu no momento do pico porque o rate limit do provider estourou, e a monitoria automática classificando como “resolvida” uma chamada que o cliente encerrou no meio. É aqui que a gente escreve.

O blog de fornecedor médio trata IA como gatilho de marketing. Fala de “revolução”, “transformação”, “agente que nunca dorme” — e evita a parte chata: quanto custa o token por conversa quando a fila bate 400 contatos, como você define fallback pra quando o LLM fica lento, qual é o piso de confiança pra deixar o bot fechar a venda sem passar pro humano, e como a monitoria automática explica pro operador quando rebaixou a nota dele. A gente prefere o inverso: o hype aparece só quando o concreto desmonta. Se um post aqui não tem exemplo real, número com unidade (custo/conversa, latência em ms, acurácia em amostra de X conversas) ou configuração que você pode aplicar na sua operação na próxima segunda-feira, ele não sobe.

O que isso implica, na prática. Posts técnicos quando a coisa pede (como calibrar threshold de confiança num classificador, walkthrough de Goal-Seek em cobrança, comparação entre RAG sobre documentos internos e fine-tuning pequeno, benchmark de latência entre OpenAI Realtime e STT+TTS tradicional). Posts curtos quando a coisa pede (ship note de feature nova de IA, correção de claim que circulou errado, análise rápida de preço de modelo novo). Zero “5 maneiras da IA revolucionar seu atendimento”. Zero “o futuro é autônomo” sem dizer o que você precisa configurar amanhã pra chegar em 40% de autorresolução sem quebrar SLA.

Quatro eixos editoriais — os quatro topics do JSON. Chatbot: arquitetura rigid × flex × híbrida, quando LLM vale e quando regra determinística resolve mais barato, handoff pro humano sem quebrar contexto, métricas que importam (resolução, contenção, satisfação na saída, custo por conversa). Copiloto: o que é possível hoje por composição (histórico unificado + transcrição + extração de entidades + sugestão de playbook via RAG sobre documentação interna) e o que ainda não é produto vendável, prompt pra sugestão em tempo real, como medir ganho real em TMA sem mascarar efeito aprendizado. Monitoria automática: classificação semântica de 100% das chamadas, rubrica que o operador confia, calibração entre monitor humano e IA, explicabilidade da nota, auditoria de viés. LLM no contact center: como escolher modelo por caso de uso, custo real por conversa, latência p50/p95, soberania de dado e LGPD, fallback quando provider falha, cache e RAG pra reduzir token count, benchmark honesto em PT-BR (não em SQuAD).

Três perfis de leitor na cabeça. Gestor de CX / head de operação precisa de comparativo honesto (“vale a pena fazer bot LLM nessa jornada ou o rule-based resolve mais barato?”) e de número que sustente a decisão pro comitê. Analista de qualidade / supervisor de monitoria precisa da rubrica específica, do critério de calibração entre humano e IA e do caso concreto de divergência. Dev / RevOps tocando integração precisa de endpoint, exemplo de prompt, política de fallback, custo por token e política de retry. Cada post aqui é tagueado pelo perfil primário — o filtro de tag cloud resolve na hora.